OpenCV-22高斯滤波

一、高斯函数的基础

要理解高斯滤波首先要直到什么是高斯函数,高斯函数是符合高斯分布的(也叫正态分布)的数据的概率密度函数。

高斯函数的特点是以x轴某一点(这一点称为均值)为对称轴,越靠近中心数据发生的概率越高,最终形成一个两边平缓,中间陡峭的钟型(有的地方也叫帽子)图形。

高斯函数的一般形式:以(0,0)和(0,0,0)为中点:

高斯滤波就是使用符合高斯分布的卷积核对图片进行卷积操作,所以高斯滤波的重点是如何计算符合高斯分布的卷积核,即高斯模板:

假设中心点的坐标为(0,0),那么取距离它最近的8个坐标,为了计算,需要设定 = 1.5,则模糊半径为1的高斯模板就如下所示:

我们可以观察到越靠近中心值,数值越大,越边缘的数值越小,符合高斯分布的特点。

通过高斯函数计算得到的是概率函数密度, 所以我们还有确保着九个点加起来为1,这9个点的权重总和等于0.4787147, 因此上面9个值还要分别除以0.4787147, 得到最终的高斯模板。

注意:有的整数的高斯模板是在归一化后的高斯模板的举出是每个数除上左上角的数值,然后取证。

有了卷积核,计算高斯滤波就简单了,假设现在有9个像素点,灰度值(0-255)的高斯滤波计算如下:

二、在OpenCV中使用高斯滤波

使用API---GaussiamBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

--- kernel:高斯核

---sigmaX:x轴的标准差(一般只需要设定一个标准差就行)

---sigmaY:Y轴的标准差,默认为0,此时sigmaY = sigmaX

如果没有指定sigmaY的值,会分别从Ksize的宽度和高度计算sigma,此时sigma = 0

选择不同的sigma的值会得到不同的平滑效果,sigma越大,平滑效果越明显。

示例代码如下:

复制代码
import cv2
import numpy as np

dog = cv2.imread("dog.png")
NEW_DOG = cv2.resize(dog, (640, 480))
new_dog = cv2.GaussianBlur(NEW_DOG, (5, 5), sigmaX=10)

cv2.imshow("img", np.hstack((NEW_DOG, new_dog)))
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下:

相关推荐
xiao5kou4chang6kai48 分钟前
Python-GEE遥感云大数据分析与可视化(如何建立基于云计算的森林监测预警系统)
python·数据分析·云计算·森林监测·森林管理
铭keny14 分钟前
YOLO11 目标检测从安装到实战
人工智能·目标检测·目标跟踪
presenttttt16 分钟前
用Python和OpenCV从零搭建一个完整的双目视觉系统(四)
开发语言·python·opencv·计算机视觉
木头左3 小时前
逻辑回归的Python实现与优化
python·算法·逻辑回归
quant_19864 小时前
R语言如何接入实时行情接口
开发语言·经验分享·笔记·python·websocket·金融·r语言
杨小扩6 小时前
第4章:实战项目一 打造你的第一个AI知识库问答机器人 (RAG)
人工智能·机器人
whaosoft-1436 小时前
51c~目标检测~合集4
人工智能
雪兽软件6 小时前
2025 年网络安全与人工智能发展趋势
人工智能·安全·web安全
元宇宙时间7 小时前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人20257 小时前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶